Deeplearning4j-使用Cuda 9.1和 Cudnn7.1 加速模型训练
一、卸载Cuda （可选）
我本机原本安装的版本为 Cuda 8.0，因为Dl4j更新版本之后，支持 Cuda 9.1，因此需要先对原有软件进行卸载。
我电脑的操作系统为win 10，在你安装完成以后，会有如下图所示的安装软件：
</center>
除了图中用红框标注的这三个，全部卸载。
即可完成cuda的卸载。
二、安装Cuda。
下载地址：
链接：https://pan.baidu.com/s/14yvW1C3M32TZyeN-kRXEyw 密码：z9k6
为了保证结果的可复现。 Cuda和Cudnn的安装地址已经放在上面了。
在安装的时候，需要注意使用自定义安装，
<center>
在安装的时候需要勾掉以下属性
<center>
</center>
因为你不是 cuda 开发人员，只是使用的用户，因此不需要以下三项：
- Documentation: cuda开发文档
- Samples: cuda示例
- VS Studio Integration: VS开发cuda的集成插件。
也不安装Driver components，是害怕和你现有的软件冲突，导致显示器显示不正常。
在无限下一步之后安装完毕，在 CMD 窗口中使用nvcc -V命令查看 cuda 版本。
<center>
三、使用Cuda9.1加速 dl4j
dl4j使用gpu后端加速非常容易，只需要切换pom文件为：
<dependency>
<groupId>org.nd4j</groupId>
<artifactId>nd4j-cuda-9.1-platform</artifactId>
<version>${nd4j.version}</version>
</dependency>
即可成功运行程序。
在运行程序之后可以看到如下的提示语：
o.n.l.f.Nd4jBackend - Loaded [JCublasBackend] backend
o.n.n.NativeOpsHolder - Number of threads used for NativeOps: 32
o.n.n.Nd4jBlas - Number of threads used for BLAS: 0
o.n.l.a.o.e.DefaultOpExecutioner - Backend used: [CUDA]; OS: [Windows 10]
o.n.l.a.o.e.DefaultOpExecutioner - Cores: [8]; Memory: [3.5GB];
o.n.l.a.o.e.DefaultOpExecutioner - Blas vendor: [CUBLAS]
o.n.l.j.o.e.CudaExecutioner - Device opName: [GeForce GTX 1050 Ti]; CC: [6.1]; Total/free memory: [4294967296]
o.d.n.m.MultiLayerNetwork - Starting MultiLayerNetwork with WorkspaceModes set to [training: SINGLE; inference: SEPARATE]
但是同样可以看到如下的报错：
o.d.n.l.c.ConvolutionLayer - cuDNN not found: use cuDNN for better GPU performance by including the deeplearning4j-cuda module. For more information, please refer to: https://deeplearning4j.org/cudnn
java.lang.ClassNotFoundException: org.deeplearning4j.nn.layers.convolution.CudnnConvolutionHelper
at java.net.URLClassLoader.findClass(URLClassLoader.java:381) ~[na:1.8.0_152]
at java.lang.ClassLoader.loadClass(ClassLoader.java:424) ~[na:1.8.0_152]
at sun.misc.Launcher$AppClassLoader.loadClass(Launcher.java:338) ~[na:1.8.0_152]
at java.lang.ClassLoader.loadClass(ClassLoader.java:357) ~[na:1.8.0_152]
at java.lang.Class.forName0(Native Method) ~[na:1.8.0_152]
这是因为还没有安装 Cudnn 引起的报错，但是这并不影响程序的正常运行。
四、安装Cudnn并且使用Cudnn加速
4.1 安装 Cudnn7.1
安装Cudnn非常简单，只需要打开对应的压缩包：
将图中所有的文件解压缩到Cuda的安装目录即可：
<center>
4.2 使用Cudnn加速程序
使用Cudnn对dl4j程序进行加速，还需要添加以下依赖到pom文件中：
<dependency>
<groupId>org.deeplearning4j</groupId>
<artifactId>deeplearning4j-cuda-9.1</artifactId>
<version>${dl4j.version}</version>
</dependency>
再次运行程序，就不会发现报错。
五、总结
程序运行示例为：https://github.com/sjsdfg/dl4j-tutorials/blob/master/src/main/java/lesson6/LenetMnistExample.java
即使用 Lenet 网络进行手写数字识别,总共对全部数据集，训练1个epoch：
机器运行配置为：16G RAM, I7-7700HQ, 1050TI 4G显存
| cpu | cuda9.1 | cuda9.1+cudnn7.1 |
|---|---|---|
| 2.586min | 0.754min | 0.457min |
如果使用更好的机器，则会有更明显的加速效果。
更多文档可以查看 https://github.com/sjsdfg/deeplearning4j-issues。
你的star是我持续分享的动力
完整代码和pom文件可查看： https://github.com/sjsdfg/dl4j-tutorials
<center></center>
